2026-08-19 15:48:12 西盟科技资讯
过去几年，如果你关注生物医药，一定听过这样的豪言壮语：“AI把药物发现时间从5年缩短到1年!”“AI设计的分子已经进入临床试验!”
听起来，人类似乎终于找到了攻克疾病的“快捷键”。
但最近，行业里却悄悄弥漫起一股反思的情绪。
当AI设计的分子以破纪录的速度冲进临床，却在最关键的一步栽了跟头时，我们不得不停下来问一句：AI到底是在帮我们“做好药”，还是在帮我们“快速做错药”?
先别急着鼓掌：AI的“速度神话”遇到了“现实南墙”
AI在制药上的本事，我们得承认，确实厉害。
它像开了挂的“超级计算器”，能几秒钟预测蛋白质结构，能一天内筛选上亿个化合物，还能同时算清楚这个分子有没有毒性、容不容易吸收。过去药化专家花几年摸索的活，AI几个月就给你摆出一堆候选分子。
数据也好看：2024年一项发表在《Drug Discovery Today》上的统计显示，AI发现的药物在Ⅰ期临床(主要是看安全性)的成功率高达80%—90%，亮眼得不行。
可一进入Ⅱ期临床(开始看疗效)，数据立马“跳水”——成功率直接跌到约40%，跟过去几十年传统制药的平均水平没啥两样。
这就像什么呢?
就像你雇了一个顶级司机，他能在城市里风驰电掣、从不违章，但你一问他“咱们去哪儿”，他却懵了。
AI现在就是那个“开得飞快，但不太认路”的司机。
它能极其高效地把一个分子打磨得“完美无瑕”，却无法独立判断：这个靶点选对了没有?这个适应症找对了吗?这批患者真的能受益吗?
结果就是，方向如果错了，车开得越快，离终点越远，浪费的油(研发经费)和时间也就越多。
两篇“神文”同时发问，行业风向变了
就在大家为这个“快而盲目”的困境挠头时，2026年夏天，两篇重量级文章几乎同时出现，它们没说“AI不行了”，而是把整个行业的“考试题目”给换了。
第一枪，打在国内。
6月30日，赵宇、江旻等学者在《中国食品药品监管》上喊出了一个新词——FID(疾病领域治疗价值首创)。
以前我们推崇的是FIC(同类首创)，谁第一个做出新靶点的药，谁就牛。但FID说：别管靶点新不新，先问问这个药解决的患者需求，是不是从来没人解决好过?
这等于把评价标准从“药的出身”挪到了“患者的疾苦”上。
第二枪，更重磅。
一个多月后，16位全球顶尖学者在《Nature Reviews Drug Discovery》上联合发文，直接“怼”了现在的AI评估方式。他们说：你们老吹自己模型准确率多高、AUC多漂亮，可这些指标跟改善真实研发决策有半毛钱关系吗?
文章要求，以后评价AI，不能只看它“算得对不对”，要看它“有没有帮科学家做对选择”。
你看，两篇文章，一中一西，不约而同把矛头指向了同一个核心——制药的成功，不取决于你多快找到分子，而取决于你多准地选出那个“对”的分子。
大模型入场：从“分子工匠”变身“疾病侦探”
问题改了，AI的角色也得跟着变。
以前，AI像个“分子工匠”，你告诉它“给我找个能结合这个靶点的东西”，它就埋头苦干。
现在，AI得升级成“疾病侦探”，它必须弄明白：这个靶点在这个病人身上到底起什么作用?肿瘤周围的环境(微环境)是帮凶还是阻挠?病人之前用过什么药，会不会让现在这个方案失效?
要当侦探，光看一个靶点的“大头照”可不够。
它得把各种线索串起来：
基因组告诉你患者天生带了什么“体质”;
单细胞测序能揪出病灶里哪些细胞在使坏，哪些在捣乱;
空间转录组和病理影像就像案发现场的3D还原图;
电子病历则是患者的“历史档案”。
把这些海量、多维的数据“喂”给大模型，它就不再只会算分子式，而是能模拟“给这个细胞用上药后，整个系统会怎么反应”。
比如2026年《Nature Machine Intelligence》上发布的XPert模型，它就能根据细胞当前状态、药物种类、剂量和时间，提前预测基因表达会如何变化。
更绝的是生成式AI的新玩法：以前是先有靶点再找药，现在可以先设定目标——比如“我要这个癌细胞变回正常状态”，然后让AI倒推，哪些分子能做到这一点。
这一下，AI就把“疾病研究”和“分子设计”给打通了。它不再是无脑堆砌候选物，而是带着“治疗目标”去创造。
真正的“硬骨头”：细胞赢了，不等于人赢了
听起来很美好，但千万别以为这就万事大吉了。
AI在培养皿里看到细胞变了，就敢说这药在人体里有效吗?
差得远呢!
从细胞到人体，中间隔着免疫系统、肝脏代谢、血液循环、还有每个人千差万别的体质。肿瘤细胞在试管里死了一片，不代表病人体内的肿瘤会缩小;信号通路被抑制了，不代表病人能多活半年。
所以，AI再强大，它提出的也只是一个“治疗假设”，而证明假设的唯一考场，永远是真实的临床试验。
这就引出了最关键的转变：过去我们验证AI，靠的是回头算“准确率”;以后验证AI，得靠“事前预言”。
什么意思?
就是你得在临床试验开始前，就让AI把赌注押下去：
预测哪个靶点会失败，那就果断停掉，别往里扔钱了;
预测某批患者对药反应好，那就拿他们做主要分析人群;
预测某个剂量不够，就提前调整。
然后，把AI的这些预言锁进保险箱，等临床结果出来，再开箱对答案。
对了，说明AI有眼光;错了，赶紧找原因。
只有经过这样一轮又一轮“预测—验证—修正”的残酷考验，AI才能从“花架子”变成研发团队的“真参谋”。
别只看“进了多少临床”，更要看“及时停了多项目”
这个转变，对我们这些吃瓜群众(以及投资者)的认知冲击是巨大的。
以前我们判断一家AI药企牛不牛，标准很简单：管线多不多?推进快不快?进了几期临床?
但如果AI真学会了“做决策”，那它的高光时刻可能恰恰是“丑陋”的——就是它建议公司放弃了一个看似有希望、实则死胡同的项目。
你想想，一条管线如果硬着头皮推到Ⅱ期、Ⅲ期才失败，那烧掉的是几千万、上亿美金，还有患者参与试药的宝贵机会。
如果AI能在临床前就凭数据底气说“这靶点证据不足，别做了”，那这个“没进临床的项目”恰恰是AI给公司省下巨额成本的大功臣。
然而，现实很残酷。
商业逻辑天生喜欢“可见的里程碑”，投资者爱听“又推进了”的好消息。一个天天建议“别做了”的AI，会让公司的管线表显得空荡荡，短期股价可能还不好看。
这就成了AI制药最大的“内耗”：技术上的明智，跟商业上的激励，有时是拧着的。
所以，AI制药从“工具”升级为“决策大脑”，最后一道坎不是算法，而是人心。
药企管理层愿不愿意听AI的“负面意见”?投资人能不能接受“止损就是盈利”的新价值观?
只有这些问题想通了，AI的“决策价值”才能真正变现。
最后的赢家：不是最快的，而是最“拎得清”的
回看这十年，AI制药走过了狂飙突进的“上半场”——我们拼命打磨工具，把“找分子”的速度推到了极致。
但接下来的“下半场”，游戏规则变了。
新的竞争，不再是比谁的模型参数多、谁生成分子快，而是比谁的AI更懂疾病，谁更能从纷繁复杂的生物信息里，挑出那个“值得赌”的方向。
说句大白话，未来的药神，不是手速最快的，而是眼光最准的。
而这个“准”，最终只用一件事来验证：
你能不能在一个新药项目启动之前，或者最晚在进入大规模临床之前，冷静地、有底气地说出那句价值千金的话——
“这款药，值得做。或者，对不起，该停了。”
AI制药真正的分水岭，就在于此。
